Dix pour cent des entreprises du mid-market ont fait passer l'ensemble de leurs initiatives IA au-delà du stade pilote (IT Brief UK, 2026). Les quatre-vingt-dix pour cent restants achètent les mêmes outils, aux mêmes fournisseurs, à peu près au même prix.
C'est sur ce point qu'il faut s'arrêter. Si l'outil produisait le rendement, les rendements ne se disperseraient pas ainsi.
Un nouveau working paper du NBER donne un nom à cette dispersion. Babina, He et Jiang attribuent les premiers gains de productivité de l'IA non pas à la technologie mais au capital organisationnel : la connaissance durable et propre à l'entreprise qu'une société accumule par l'apprentissage par la pratique (NBER, 2026). L'outil est l'occasion du gain. Il n'en est pas l'actif.
Le même investissement, deux décennies différentes
« Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital » a été publié en août 2026 par Tania Babina, Alex Xi He et Renhao Jiang (NBER, 2026).
L'instrument de mesure est la partie intéressante. Plutôt que de compter les licences, les dépenses fournisseurs ou l'adoption auto-déclarée — autant de mesures de distribution — les auteurs construisent une mesure de l'investissement en IA au niveau de l'entreprise à partir de l'emploi qualifié en IA, du machine learning jusqu'à l'IA générative et agentique. Qui une entreprise recrute est plus difficile à maquiller que ce qu'elle déclare faire.
Appliqué à cette mesure, le résultat principal est un contraste plutôt qu'un coefficient :
Les investissements en IA sont associés à la croissance de la productivité ces dernières années, mais pas sur la décennie précédente.
Même mesure. Même catégorie de technologie. Deux réponses différentes.
Les auteurs font ensuite le travail que la plupart des recherches sur l'adoption évitent : ils demandent ce qui a changé. Leur réponse est l'accumulation de capital organisationnel — et pour la tester, ils construisent une seconde mesure inédite, élaborée à partir des descriptions de poste des salariés, afin d'identifier quels rôles bâtissent réellement ce capital. Les gains de productivité, constatent-ils, sont portés par les postes qualifiés en IA qui bâtissent du capital organisationnel. Pas par les effectifs IA en général. Pas par l'outillage en général.
Une réserve que je pose avant que quiconque en fasse une slide : le corps du working paper est sous accès restreint, et j'ai vérifié la méthodologie et le sens des résultats, pas les tailles d'effet. Personne ne devrait encore accoler un pourcentage à cette étude — moi comprise.
Pourquoi la décennie précédente n'a rien rapporté n'est pas tranché par le papier, et je signale ma lecture comme une inférence et non comme un résultat : la vague du machine learning a surtout acheté de la prédiction placée à côté du flux de travail — un score, une prévision, un tableau de bord que l'on consulte. La vague actuelle se place à l'intérieur du flux de travail, seule position depuis laquelle un outil peut générer de l'apprentissage sur la façon dont le travail se fait réellement. Une prédiction adjacente à un processus ne vous apprend pas le processus.
Ce que « capital organisationnel » veut vraiment dire
Le terme n'est pas nouveau et n'a rien de flou. Eisfeldt et Papanikolaou l'ont formalisé dans le Journal of Finance : le capital organisationnel est un facteur de production incorporé dans les talents clés de l'entreprise, porteur d'une efficacité propre à celle-ci, et assorti d'un droit sur ses flux de trésorerie. Les entreprises qui en détiennent davantage ont affiché des rendements moyens supérieurs d'environ 4,6 % à celles qui en détiennent moins (Eisfeldt et Papanikolaou, 2013).
En langage opérationnel : c'est la connaissance accumulée de la façon dont votre travail se fait. Quelles exceptions comptent. Quels signaux client annoncent l'attrition. Quelle étape de votre processus de clôture est celle qui casse vraiment.
Une licence vous donne une capacité générique. Le capital organisationnel, c'est ce qui se produit quand cette capacité est pointée de façon répétée sur votre travail spécifique et que le résultat est conservé ailleurs que dans la tête d'une seule personne.
La première s'achète. Le second, non.
Pourquoi votre concurrent a acheté le même stack sans bâtir de capital organisationnel
Rapprochez le résultat du NBER des données du mid-market et le schéma cesse d'être abstrait.
Klarus a interrogé 500 décideurs seniors d'entreprises du Royaume-Uni et d'Irlande réalisant entre 200 millions et 2 milliards de livres de chiffre d'affaires, avec 300 à 3 000 salariés. Soixante-treize pour cent avaient déployé l'IA partiellement ou totalement. Dix pour cent avaient fait passer toutes leurs initiatives au-delà du pilote. Quatre-vingt-dix pour cent étaient bloquées ou encore en phase initiale (IT Brief UK, 2026).
La même enquête contient une inversion qui mérite une seconde lecture : 91 % se disaient confiants dans leur expertise IA interne — tandis que 48 % citaient le manque d'expertise IA comme principale raison de l'enlisement de leurs projets. La même population est simultanément certaine de détenir la capacité et certaine qu'elle fait défaut.
Sous les deux affirmations : 83 % signalaient une mauvaise qualité des données, et 69 % déclaraient que des données défaillantes avaient empêché ou retardé des travaux IA.
Le Heartbeat Index de CLA retrouve la même forme de l'autre côté de l'Atlantique. Sur 722 organisations petites et moyennes, 69,9 % estimaient que leurs effectifs disposaient des compétences nécessaires pour l'avenir. Seulement 49,5 % rapportaient une amélioration d'efficacité quelconque issue de leurs investissements récents en technologie ou en IA, et à peine 20,2 % un impact fortement positif (CLA, 2026).
Deux échantillons mid-market indépendants. Tous deux rapportent une capacité présente et des résultats absents.
Cette combinaison écarte le diagnostic que la plupart des entreprises financent. Si les compétences étaient la contrainte déterminante, la population étudiée rapporterait un déficit de compétences. Elle rapporte l'inverse. Ce qui manque, ce n'est pas l'aisance d'usage — c'est le mécanisme qui transforme cette aisance en quelque chose que l'entreprise possède.
Les pilotes n'échouent pas. Ils ne déposent rien.
Valliance a interrogé 1 000 dirigeants seniors de grandes entreprises européennes et a constaté que 40 % des initiatives IA restent des pilotes par construction — jamais arrêtées, jamais déployées à l'échelle. Dans les organisations dotées de programmes IA matures et établis, ce chiffre monte à 48 % (Consultancy.uk, 2026).
Plus de maturité, plus de pilotes perpétuels. Ce n'est pas l'allure d'une courbe d'apprentissage.
Le coût figure dans le même jeu de données. Les entreprises enlisées au stade pilote rapportent un fort ROI dans 20 % des cas. Celles qui passent à l'échelle le rapportent dans 76 % des cas. La cohorte bloquée attend aussi plus longtemps la création de valeur : 6,6 mois contre 5,9 (Consultancy.uk, 2026).
Lu à travers le prisme du NBER, l'écart devient lisible. Un pilote qui se termine sans modifier un processus documenté, une définition de poste ou une règle de décision a produit un résultat et n'a rien déposé. L'équipe a appris. L'entreprise, non. Répétez douze fois et vous obtenez douze expériences et zéro capital organisationnel — précisément la configuration qui montre un investissement en IA sans croissance de productivité associée.
Le test du dépôt
Passons à l'arithmétique. Une société de services de 200 ETP lance six pilotes IA dans l'année, chacun mobilisant environ deux mois de travail à temps partiel — soit une année-personne d'attention senior, avant même les licences. Le reporting standard demande ce que chaque pilote a économisé. Demandez plutôt combien ont produit un artefact durable : une procédure réécrite, un jeu de prompts et d'évaluations maintenu, une règle de décision désormais utilisée par des gens qui n'ont jamais touché au pilote.
Si la réponse est un, vous avez converti environ deux mois de cette année en capital organisationnel et dépensé le reste en frais de scolarité. Les pilotes n'ont pas échoué — cinq d'entre eux n'ont simplement pas été capitalisés. Cette distinction n'apparaît nulle part dans un ROI deck standard, ce qui explique précisément qu'elle continue d'être refinancée.
Le cadrage de Valliance est que le problème n'est pas l'expérimentation, mais ce qui vient ensuite. Le papier du NBER explique pourquoi cette phrase est un énoncé comptable et non un slogan. L'apprentissage par la pratique ne fait d'intérêts composés que si l'apprentissage est capté dans quelque chose de durable.
L'objection honnête
Quatre limites, énoncées franchement.
Association n'est pas causalité. Le résultat du NBER est une association entre investissement en IA et croissance de la productivité, médiée par une mesure construite du capital organisationnel. Les entreprises qui bâtissent bien du capital organisationnel sont plausiblement mieux gérées d'une manière qui en fait aussi de meilleures adoptantes de l'IA. La méthodologie du papier est soignée ; ce n'est pas un essai randomisé.
Les deux mesures inédites sont des proxys. L'investissement en IA déduit du recrutement qualifié en IA sous-estime les entreprises qui achètent la capacité au lieu de la recruter. Le capital organisationnel déduit des descriptions de poste sous-estime les entreprises dont la connaissance réside dans les systèmes plutôt que dans le texte des postes. Ce type de proxy saisit le sens plus fiablement que l'ampleur.
La corroboration mid-market est régionale et auto-déclarée. Klarus porte sur le Royaume-Uni et l'Irlande ; CLA est un panel de clients américains. Les deux sont auto-déclarés. Ils concordent, ce qui est significatif, et aucun n'est un échantillon probabiliste national, ce qui compte.
Le capital organisationnel a une porte de sortie. C'est l'objection la plus tranchante, et Eisfeldt et Papanikolaou l'ont soulevée il y a treize ans : le capital organisationnel est incorporé dans les talents clés, et ces talents détiennent un droit sur ses rendements. La connaissance qui vit dans trois personnes seniors est propre à l'entreprise jusqu'à la semaine où l'une d'elles démissionne. Ici, la codification n'est pas une lourdeur bureaucratique — c'est la différence entre un actif et un risque de rétention.
Ce qu'il faut décider ce trimestre
Quatre décisions. Aucune n'exige un nouveau fournisseur.
- Évaluez chaque pilote en cours sur ce qu'il a laissé, pas sur ce qu'il a accéléré. Une question par pilote : nommez le document de processus, la règle de décision ou la définition de poste qui a changé grâce à lui. Si la réponse honnête est « l'équipe est allée plus vite », vous avez financé une expérience. Les 40 % de Valliance sont entièrement faits d'expériences.
- Réécrivez une fiche de poste IA autour de la codification. Le résultat du NBER passe par les rôles qui bâtissent une connaissance propre à l'entreprise. La plupart des fiches de poste liées à l'IA dans le mid-market précisent des outils. Précisez plutôt le livrable : des workflows documentés, des jeux d'évaluation maintenus, des règles de décision exécutables par d'autres.
- Réparez les fondations de données avant le prochain poste de licence. Les 83 % de mauvaise qualité de données ne sont pas une note de bas de page, c'est la raison pour laquelle l'apprentissage par la pratique ne peut pas s'accumuler — un agent qui n'atteint pas votre historique ne peut pas apprendre votre entreprise. C'est une ligne budgétaire du T4 en concurrence directe avec l'extension des licences, et elle devrait l'emporter.
- Auditez où votre capital organisationnel est incorporé. Listez les cinq processus que l'IA a mesurablement améliorés cette année, puis indiquez où chaque amélioration est stockée. Chacune qui se résout à une personne plutôt qu'à un artefact est un gain de productivité assorti d'une lettre de démission.
Votre concurrent peut acheter votre stack cet après-midi. Il ne peut pas acheter les dix-huit mois que votre équipe a passés à apprendre quelles exceptions comptent — sauf si vous les avez laissés non documentés, auquel cas il lui suffit de les recruter.
Le capital organisationnel est la seule part de votre investissement en IA qui vous appartienne réellement. Décidez ce trimestre si vous le bâtissez, ou si vous louez seulement l'occasion de le faire.
